20210428：conv2d中group参数在torch和onnx异同

最新推荐文章于 2023-03-20 20:39:12 发布
最新推荐文章于 2023-03-20 20:39:12 发布
阅读量683 收藏 4
点赞数
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lilai619/article/details/116237138
版权
本文详细介绍了卷积神经网络中conv2d的group参数工作原理，当group不同时，卷积核的形状会有所变化。以nn.Conv2d为例，展示了group为16时的参数配置，并探讨了如何将这种配置转换为ONNX模型，转换后的权重形状为16*1*3*3。
摘要由CSDN通过智能技术生成

1：首先了解一下conv2d中group参数是如何工作的，如上图

group = 1时，卷积核的形状：cout*cin*k*k

group = g时，卷积核的形状：cout*cin/g*k*k

 

2：理解1中的内容，就可以继续了

随意定义一个pytorch中conv2d

nn.Conv2d(16, 16,3, 2, 1, groups=16, bias=False)

那么转换成onnx是啥样子的呢？w = cout*cin/g*k*k = 16*16/16*3*3=  16*1*3*3

微风❤水墨
关注
专栏目录
关于Pytorch中的nn.Conv2d的group参数的理解
橙的博客
05-18 2060
小白能看的懂的关于nn.Conv2d中的关于group参数的解读。
PyTorch中F.conv2d从ONNX到TensorRT的支持
TracelessLe的专栏
04-13 1118
前言 在使用PyTorch进行网络训练得到.pth模型文件后，我们可能会做一些模型部署和加速的工作。这里一般会涉及到将PyTorch模型转为ONNX模型的过程。PyTorch自带了ONNX转换方法（torch.onnx.export），可以很方便的将一些仅包含通用算子的网络的PyTorch模型转为ONNX格式。 另一方面，TensorRT是NVIDIA推出的一款高效深度学习模型推理框架，其包括了深度学习推理优化器和运行时，能够让深度学习推理应用拥有低时延和高吞吐的优点。在使用PyTorch训练得到网络模型
conv2d.中 groups 参数
最新发布
chumingqian的博客
03-20 930
使用groups前后，并不改变卷积核的个数，改变的是每个卷积核中通道数；即普通的卷积核中，　每个卷积核中通道数　= 输入特征的通道数；使用groups, 　每个卷积核中通道数变成 = 　输入的通道数/ groups;卷积核的个数保持原来不变。
conv2d中的groups参数
miya的博客
02-08 369
如果groups = 4， 单个kernel的size为（1 * kernel size），就相当于kernel在逐层（input层）操作，那么output至少是4的倍数。因为卷一次至少也有4个output。如果groups = 2， 单个kernel的size就是（2 * kernel size），那么output至少是2的倍数[如2，4，6，8等]比如input的channel为4，如果groups=1， 那么 单个kernel的size就是（4 * kernel size）
【pytorch】conv2d_group参数
YJYS_ZHX的博客
03-03 270
Pytorch - Conv2d 卷积
图解 Pytorch 中 nn.Conv2d 的 groups 参数
iioSnail的博客
05-23 2668
文章目录普通卷积复习Groups是如何改变卷积方式的实验验证参考资料 普通卷积复习 首先我们先来简单复习一下普通的卷积行为。 从上图可以看到，输入特征图为3，经过4个filter卷积后生成了4个输出特征图。对于普通的卷积操作，我们可以得到几个重要的结论： 输入通道数 = 每个filter的卷积核的个数。（注意区分卷积核和Filter，它们俩的关系是：多个卷积核组成一个Filter） Filter的个数 = 输出通道数 此时，我们的参数量为： 参数量=输入通道数×输出通道数×卷积核大小=卷积核个数×Fi
Conv2d中的group参数：分组卷积是什么？
weixin_43572595的博客
12-03 4788
直观理解 用一幅图就可以很直观的理解了： 如上图，左边是常规卷积，假设input_features[1, 12, Hi, Wi]， output_features[1, 6, Ho, Wo]，此时需要的kernel[12, 6, K, K]， 卷积核的总参数量为126KK；右边为分组卷积，分组即将input_features进行分组，假设这里将input_features分为三组，每组有四个维度，那么每一组的input_features[1, 4, Hi, Wi], 输出的output_features[
pytorch之torch.nn.Conv2d()函数详解
热门推荐
夏普通
07-09 20万+
文章目录一、官方文档介绍二、torch.nn.Conv2d()函数详解参数详解参数dilation——扩张卷积（也叫空洞卷积）参数groups——分组卷积三、代码实例 一、官方文档介绍 官网 nn.Conv2d：对由多个输入平面组成的输入信号进行二维卷积 二、torch.nn.Conv2d()函数详解 参数详解 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=
torch_nn_functional_conv2d_problem:torch.nn.functional.conv2d在ARM和x86_64体系结构上的不同输出
04-11
应用相同的输入和参数时，torch.nn.functional.conv2d在ARM和x86_64体系结构上的输出不同。 运行脚本：python3functional_conv2d_example.py已经在results /文件夹中提供了已计算的结果。 在output_tensor_arm.txt...
torch.nn.Conv2d()参数groups
08-03 607
nn.Conv2d, groups
关于pytorch的conv函数中group的理解
u014421489的博客
12-03 586
pytorh group参数
关于pytorch中nn.conv中的参数group
u010216120的博客
10-30 1万+
关于pytorch中nn.conv中的参数 之前一直是用的tensor flow +keras，最近刚转为pytorch，发现torch中的卷积参数和tensorflow中的有点不同，特来记录下，以下是官网中的解释： 和tensorflow不同，in_channels和out_channels分别是输入和输出的通道数，stride步长以及padding填充和keras是一样的，groups 这个...
Conv2D中groups参数理解
sunlanchang的博客
12-04 2009
Conv2D中groups参数理解
Conv2d中的groups参数（分组卷积）怎么理解？ 【分组卷积可以减少参数量、且不容易过拟合（类似正则化）】
MOL
01-11 1万+
关于Conv2d的用法先看以下链接：Conv2d_马鹏森的博客-CSDN博客 注意：首先需要知道的是groups的值必须能整除in_channels和out_channels 前置知识：卷积参数量的计算公式是：（输入通道数 * 输出通道数 * k^2 ）/ groups 了解分组卷积对输入通道数的影响： 1.当设置group=1时： conv = nn.Conv2d(in_channels=6, out_channels=6, kernel_size=1, groups=1) conv.wei.
torch之nn.conv2d
Nicola.Zhang
07-06 884
原博客解析： https://blog.csdn.net/g11d111/article/details/82665265
pytorch卷积操作nn.Conv中的groups参数用法解释
胖胖大海的博客
11-13 1万+
最近在项目中使用到了MobileNet分类网络，MobileNet网络中使用到了深度可分离卷积操作，深度可分离卷积将传统卷积操作分成两步来处理。假设输入的特征图feature_map大小为[H, W, C]，深度可分离卷积第一步使用C组NxNx1的卷积核对每个输入通道in_channel进行卷积，卷积输出结果特征图feature_map大小为[H, W, C]，然后使用M和1x1xC的卷积核进行卷积操作，输出的特征图大小为[H, W, M]。深度可分离卷积的目的是减少卷积操作的参数量和计算量，从而提升运算速
对于组卷积(group convolutional)的理解(torch.nn.Conv2d中的group参数)
尼伯龙根
04-02 2717
最近开始学习使用pytorch，在学习他人的mobilenetv1过程中发现了nn.torch.Conv2d中group这个参数，下面是torch中depthwise def conv_dw(inp, oup, stride): return nn.Sequential( # depthwise nn.Conv2d(...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

微风❤水墨

你的鼓励是我最大的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值